مدل های میزبان

در زیر لیستی ناقص از مدلهای از پیش آموزش دیده بهینه شده برای کار با TensorFlow Lite وجود دارد.

برای شروع انتخاب مدل ، به صفحه مدلها با مثالهای پایان به انتها مراجعه کنید یا یک مدل TensorFlow Lite را از TensorFlow Hub انتخاب کنید .

طبقه بندی تصویر

برای کسب اطلاعات بیشتر در مورد طبقه بندی تصویر ، به طبقه بندی تصویر مراجعه کنید. برای راهنمایی در مورد چگونگی ادغام مدل های طبقه بندی تصویر فقط در چند خط کد ، در TensorFlow Lite Task Library کاوش کنید.

مدل های کوانته شده

تدریجی مدل طبقه بندی تصویر ارائه کوچکترین اندازه مدل و سریع ترین عملکرد، در هزینه از دقت و صحت. مقادیر عملکرد در Pixel 3 در Android 10 اندازه گیری می شود.

شما می توانید بسیاری از مدل های کوانته شده را از TensorFlow Hub پیدا کنید و اطلاعات مدل بیشتری را در آنجا دریافت کنید.

نام مدل کاغذ و مدل اندازه مدل دقت بالا 1 دقت بالا 5 پردازنده ، 4 موضوع NNAPI
Mobilenet_V1_0.25_128_ کم کاغذ ، tflite و سرب 0.5 مگابایت 39.5٪ 64.4٪ 0.8 میلی ثانیه 2 میلی ثانیه
Mobilenet_V1_0.25_160_ کم کاغذ ، tflite و سرب 0.5 مگابایت 42.8٪ 68.1٪ 1.3 میلی ثانیه 2.4 میلی ثانیه
Mobilenet_V1_0.25_192_ کم کاغذ ، tflite و سرب 0.5 مگابایت 45.7٪ 70.8٪ 1.8 میلی ثانیه 2.6 میلی ثانیه
Mobilenet_V1_0.25_224_ کمیت کاغذ ، tflite و سرب 0.5 مگابایت 48.2٪ 72.8٪ 2.3 میلی ثانیه 2.9 میلی ثانیه
Mobilenet_V1_0.50_128_ کم کاغذ ، tflite و سرب 1.4 مگابایت 54.9٪ 78.1٪ 1.7 میلی ثانیه 2.6 میلی ثانیه
Mobilenet_V1_0.50_160_ کم کاغذ ، tflite و سرب 1.4 مگابایت 57.2٪ 80.5٪ 2.6 میلی ثانیه 2.9 میلی ثانیه
Mobilenet_V1_0.50_192_ کم کاغذ ، tflite و سرب 1.4 مگابایت 59.9٪ 82.1٪ 3.6 میلی ثانیه 3.3 میلی ثانیه
Mobilenet_V1_0.50_224_ کم کاغذ ، tflite و سرب 1.4 مگابایت 61.2٪ 83.2٪ 4.7 میلی ثانیه 3.6 میلی ثانیه
Mobilenet_V1_0.75_128_ کم کاغذ ، tflite و سرب 2.6 مگابایت 55.9٪ 79.1٪ 3.1 میلی ثانیه 3.2 میلی ثانیه
Mobilenet_V1_0.75_160_ کم کاغذ ، tflite و سرب 2.6 مگابایت 62.4٪ 83.7٪ 4.7 میلی ثانیه 3.8 میلی ثانیه
Mobilenet_V1_0.75_192_ کمی کاغذ ، tflite و سرب 2.6 مگابایت 66.1٪ 86.2٪ 6.4 میلی ثانیه 4.2 میلی ثانیه
Mobilenet_V1_0.75_224_ کمی کاغذ ، tflite و سرب 2.6 مگابایت 66.9٪ 86.9٪ 8.5 میلی ثانیه 4.8 میلی ثانیه
Mobilenet_V1_1.0_128_ کمی کاغذ ، tflite و سرب 4.3 مگابایت 63.3٪ 84.1٪ 4.8 میلی ثانیه 3.8 میلی ثانیه
Mobilenet_V1_1.0_160_ کمی کاغذ ، tflite و سرب 4.3 مگابایت 66.9٪ 86.7٪ 7.3 میلی ثانیه 4.6 میلی ثانیه
Mobilenet_V1_1.0_192_ کمی کاغذ ، tflite و سرب 4.3 مگابایت 69.1٪ 88.1٪ 9.9 میلی ثانیه 5.2 میلی ثانیه
Mobilenet_V1_1.0_224_ کمی کاغذ ، tflite و سرب 4.3 مگابایت 70.0٪ 89.0٪ 13 میلی ثانیه 6.0 میلی ثانیه
Mobilenet_V2_1.0_224_ کم کاغذ ، tflite و سرب 3.4 مگابایت 70.8٪ 89.9٪ 12 میلی ثانیه 6.9 میلی ثانیه
Inception_V1_quant کاغذ ، tflite و سرب 6.4 مگابایت 70.1٪ 89.8٪ 39 میلی ثانیه 36 میلی ثانیه
Inception_V2_quant کاغذ ، tflite و سرب 11 مگابایت 73.5٪ 91.4٪ 59 میلی ثانیه 18 میلی ثانیه
Inception_V3_quant کاغذ ، tflite و سرب 23 مگابایت 77.5٪ 93.7٪ 148 میلی ثانیه 74 میلی ثانیه
Inception_V4_quant کاغذ ، tflite و سرب 41 مگابایت 79.5٪ 93.9٪ 268 میلی ثانیه 155 میلی ثانیه

مدل های شناور

مدل های شناور با هزینه اندازه و عملکرد ، بهترین دقت را ارائه می دهند. شتاب GPU نیاز به استفاده از مدل های شناور دارد. مقادیر عملکرد در Pixel 3 در Android 10 اندازه گیری می شود.

می توانید بسیاری از مدل های طبقه بندی تصویر را از TensorFlow Hub بیابید و اطلاعات مدل بیشتری را در آنجا دریافت کنید.

نام مدل کاغذ و مدل اندازه مدل دقت بالا 1 دقت بالا 5 پردازنده ، 4 موضوع پردازنده گرافیکی NNAPI
DenseNet کاغذ ، tflite و سرب 43.6 مگابایت 64.2٪ 85.6٪ 195 میلی ثانیه 60 میلی ثانیه 1656 میلی ثانیه
SqueezeNet کاغذ ، tflite و سرب 5.0 مگابایت 49.0٪ 72.9٪ 36 میلی ثانیه 9.5 میلی ثانیه 18.5 میلی ثانیه
تلفن همراه NASNet کاغذ ، tflite و سرب 21.4 مگابایت 73.9٪ 91.5٪ 56 میلی ثانیه --- 102 میلی ثانیه
NASNet بزرگ است کاغذ ، tflite و سرب 355.3 مگابایت 82.6٪ 96.1٪ 1170 میلی ثانیه --- 648 میلی ثانیه
ResNet_V2_101 کاغذ ، tflite و سرب 178.3 مگابایت 76.8٪ 93.6٪ 526 میلی ثانیه 92 میلی ثانیه 1572 میلی ثانیه
Inception_V3 کاغذ ، tflite و سرب 95.3 مگابایت 77.9٪ 93.8٪ 249 میلی ثانیه 56 میلی ثانیه 148 میلی ثانیه
Inception_V4 کاغذ ، tflite و سرب 170.7 مگابایت 80.1٪ 95.1٪ 486 میلی ثانیه 93 میلی ثانیه 291 میلی ثانیه
Inception_ResNet_V2 کاغذ ، tflite و سرب 121.0 مگابایت 77.5٪ 94.0٪ 422 میلی ثانیه 100 میلی ثانیه 201 میلی ثانیه
Mobilenet_V1_0.25_128 کاغذ ، tflite و سرب 1.9 مگابایت 41.4٪ 66.2٪ 1.2 میلی ثانیه 1.6 میلی ثانیه 3 میلی ثانیه
Mobilenet_V1_0.25_160 کاغذ ، tflite و سرب 1.9 مگابایت 45.4٪ 70.2٪ 1.7 میلی ثانیه 1.7 میلی ثانیه 3.2 میلی ثانیه
Mobilenet_V1_0.25_192 کاغذ ، tflite و سرب 1.9 مگابایت 47.1٪ 72.0٪ 2.4 میلی ثانیه 1.8 میلی ثانیه 3.0 میلی ثانیه
Mobilenet_V1_0.25_224 کاغذ ، tflite و سرب 1.9 مگابایت 49.7٪ 74.1٪ 3.3 میلی ثانیه 1.8 میلی ثانیه 3.6 میلی ثانیه
Mobilenet_V1_0.50_128 کاغذ ، tflite و سرب 5.3 مگابایت 56.2٪ 79.3٪ 3.0 میلی ثانیه 1.7 میلی ثانیه 3.2 میلی ثانیه
Mobilenet_V1_0.50_160 کاغذ ، tflite و سرب 5.3 مگابایت 59.0٪ 81.8٪ 4.4 میلی ثانیه 2.0 میلی ثانیه 4.0 میلی ثانیه
Mobilenet_V1_0.50_192 کاغذ ، tflite و سرب 5.3 مگابایت 61.7٪ 83.5٪ 6.0 میلی ثانیه 2.5 میلی ثانیه 4.8 میلی ثانیه
Mobilenet_V1_0.50_224 کاغذ ، tflite و سرب 5.3 مگابایت 63.2٪ 84.9٪ 7.9 میلی ثانیه 2.8 میلی ثانیه 6.1 میلی ثانیه
Mobilenet_V1_0.75_128 کاغذ ، tflite و سرب 10.3 مگابایت 62.0٪ 83.8٪ 5.5 میلی ثانیه 2.6 میلی ثانیه 5.1 میلی ثانیه
Mobilenet_V1_0.75_160 کاغذ ، tflite و سرب 10.3 مگابایت 65.2٪ 85.9٪ 8.2 میلی ثانیه 3.1 میلی ثانیه 6.3 میلی ثانیه
Mobilenet_V1_0.75_192 کاغذ ، tflite و سرب 10.3 مگابایت 67.1٪ 87.2٪ 11.0 میلی ثانیه 4.5 میلی ثانیه 7.2 میلی ثانیه
Mobilenet_V1_0.75_224 کاغذ ، tflite و سرب 10.3 مگابایت 68.3٪ 88.1٪ 14.6 میلی ثانیه 4.9 میلی ثانیه 9.9 میلی ثانیه
Mobilenet_V1_1.0_128 کاغذ ، tflite و سرب 16.9 مگابایت 65.2٪ 85.7٪ 9.0 میلی ثانیه 4.4 میلی ثانیه 6.3 میلی ثانیه
Mobilenet_V1_1.0_160 کاغذ ، tflite و سرب 16.9 مگابایت 68.0٪ 87.7٪ 13.4 میلی ثانیه 5.0 میلی ثانیه 8.4 میلی ثانیه
Mobilenet_V1_1.0_192 کاغذ ، tflite و سرب 16.9 مگابایت 69.9٪ 89.1٪ 18.1 میلی ثانیه 6.3 میلی ثانیه 10.6 میلی ثانیه
Mobilenet_V1_1.0_224 کاغذ ، tflite و سرب 16.9 مگابایت 71.0٪ 89.9٪ 24.0 میلی ثانیه 6.5 میلی ثانیه 13.8 میلی ثانیه
Mobilenet_V2_1.0_224 کاغذ ، tflite و سرب 14.0 مگابایت 71.8٪ 90.6٪ 17.5 میلی ثانیه 6.2 میلی ثانیه 11.23 میلی ثانیه

خودکار مدل های تلفن همراه

مدل های طبقه بندی تصویر زیر با استفاده از Cloud AutoML ایجاد شده است. مقادیر عملکرد در Pixel 3 در Android 10 اندازه گیری می شود.

می توانید این مدل ها را در TensorFlow Hub پیدا کرده و اطلاعات مدل بیشتری را در آنجا بدست آورید.

نام مدل کاغذ و مدل اندازه مدل دقت بالا 1 دقت بالا 5 پردازنده ، 4 موضوع پردازنده گرافیکی NNAPI
MnasNet_0.50_224 کاغذ ، tflite و سرب 8.5 مگابایت 68.03٪ 87.79٪ 9.5 میلی ثانیه 5.9 میلی ثانیه 16.6 میلی ثانیه
MnasNet_0.75_224 کاغذ ، tflite و سرب 12 مگابایت 71.72٪ 90.17٪ 13.7 میلی ثانیه 7.1 میلی ثانیه 16.7 میلی ثانیه
MnasNet_1.0_96 کاغذ ، tflite و سرب 17 مگابایت 62.33٪ 83.98٪ 5.6 میلی ثانیه 5.4 میلی ثانیه 12.1 میلی ثانیه
MnasNet_1.0_128 کاغذ ، tflite و سرب 17 مگابایت 67.32٪ 87.70٪ 7.5 میلی ثانیه 5.8 میلی ثانیه 12.9 میلی ثانیه
MnasNet_1.0_160 کاغذ ، tflite و سرب 17 مگابایت 70.63٪ 89.58٪ 11.1 میلی ثانیه 6.7 میلی ثانیه 14.2 میلی ثانیه
MnasNet_1.0_192 کاغذ ، tflite و سرب 17 مگابایت 72.56٪ 90.76٪ 14.5 میلی ثانیه 7.7 میلی ثانیه 16.6 میلی ثانیه
MnasNet_1.0_224 کاغذ ، tflite و سرب 17 مگابایت 74.08٪ 91.75٪ 19.4 میلی ثانیه 8.7 میلی ثانیه 19 میلی ثانیه
MnasNet_1.3_224 کاغذ ، tflite و سرب 24 مگابایت 75.24٪ 92.55٪ 27.9 میلی ثانیه 10.6 میلی ثانیه 22.0 میلی ثانیه

تشخیص اشیا

برای کسب اطلاعات بیشتر در مورد تشخیص اشیا، ، به تشخیص اشیاject مراجعه کنید. برای راهنمایی در مورد چگونگی تلفیق مدلهای تشخیص شی در فقط چند خط کد ، در TensorFlow Lite Task Library کاوش کنید.

لطفاً مدلهای تشخیص شی object را از TensorFlow Hub بیابید.

برآورد ژست

برای کسب اطلاعات بیشتر در مورد برآورد ژست، و برآورد مطرح .

لطفا مدل های برآورد ژست را از TensorFlow Hub پیدا کنید.

تقسیم تصویر

برای کسب اطلاعات بیشتر در مورد تقسیم بندی تصویر ، به تقسیم بندی مراجعه کنید. برای راهنمایی در مورد چگونگی تلفیق مدل های تقسیم تصویر فقط در چند خط کد ، در TensorFlow Lite Task Library کاوش کنید.

لطفا مدل های تقسیم تصویر را از TensorFlow Hub پیدا کنید.

پرسش و پاسخ

برای کسب اطلاعات بیشتر در مورد پرسش و پاسخ با MobileBERT ، به پرسش و پاسخ مراجعه کنید . برای راهنمایی در مورد چگونگی ادغام مدلهای پرسش و پاسخ فقط در چند خط کد ، در TensorFlow Lite Task Library کاوش کنید.

لطفاً مدل BERT موبایل را از TensorFlow Hub پیدا کنید.

پاسخ هوشمندانه

برای کسب اطلاعات بیشتر در مورد پاسخ هوشمند ، به پاسخ هوشمند مراجعه کنید.

لطفاً مدل پاسخ هوشمند را از TensorFlow Hub بیابید.